Extraktion und Visualisierung von multidimensionalen ... · 06.12.2016 Data Science Forum - Essen 6...

FOM Hochschulstudienzentrum Dortmund, Wirtschaftsinformatik Prof. Dr. Alexander Holland

Universität Siegen, Institut für Wissensbasierte Systeme und Wissensmanagement Johannes Zenkert

Extraktion und Visualisierung von multidimensionalen Textinformationen zur Integration von Big Data in

unternehmensspezifischen Wissenslandkarten

Prof. Dr. Alexander Holland

FOM Hochschulzentrum Dortmund, Fachbereich Wirtschaftsinformatik

Johannes Zenkert

Universität Siegen, Institut für Wissensbasierte Systeme und Wissensmanagement

Data Science Forum

FOM Hochschulzentrum

06.12.2016, Essen



06.12.2016 Data Science Forum - Essen 2

1. Die Rolle von Big Data und unstrukturierten Daten für Unternehmen

2. Eine typische Big Data Architektur (am Beispiel von SoMaBiT)

3. Informationsextraktion aus unstrukturierten Dateninhalten

4. Die Wissenslandkarte als Visualisierungsinstrument

Inhalt



Die Rolle von Big Data und unstrukturierten Daten für Unternehmen


Big Data

Marktanalyse

Prozesse

Kunden

Research & Development

Sentiment Analysis

Qualitäts-management

Produkt-management

Einflüsse von Big Data auf verschiedene Unternehmensbereiche

unstrukturierte Daten in unterschiedlichsten Formaten: Texte, Dokumente, Notizen, Bilder, Videos, Audios DiSoLoMo-Trend



Die Rolle von Big Data und unstrukturierten Daten für Unternehmen


Einflüsse von Big Data auf verschiedene Unternehmensbereiche

Warum sollten Unternehmen unstrukturierte Daten nutzen und warum lohnt sich der Einsatz von Big Data Technologien? Cloud als agile Datenplattform Data-Driven Enterprise Sensorik, Machine-to-Machine Kommunikation, IoT Wachsende Anzahl von Diensten Visualisierung, Analytics und Künstliche Intelligenz (Lernen)



Unstrukturierten Daten für Unternehmen aus der Produktion


Wissensgenerierung aus unstrukturierten Produktnutzungsinformationen

Kontextbasierte Wissensgenerierung aus unstrukturierten Instandhaltungs-, Service- und Kundeninformationen



Unstrukturierten Daten im Forschungsbereich Wissensbasierte Systeme


Wissensgenerierung im Kontext durch Cluster

Kontextbasierte Wissensgenerierung aus unstrukturierten Instandhaltungs-, Service- und Kundeninformationen WBS Forschungsfragen: - Open Source AI Tools integrieren - Lernalgorithmen (Graphstrukturen)

5W1H Modell <Who, Where, When, What, How, Why> [S. Jang, E.-J. Koo, W. Woo: Unified User-Centric Context, 2005]



Unstrukturierten Daten für Unternehmen (Task, Prozess, Projekt, …)


Wissensgenerierung aus unterschiedlichen Formen der Wissensvisualisierung

Repräsentation durch Strukturierung: Hierarchien, Relationen, logische Zusammenhänge Semantic Web, Artificial Intelligence Mapping (AIM)

https://app.imindq.com/








Inhalt




Eine typische Big Data Architektur (am Beispiel von SoMaBiT)

The functional architecture of the SoMABiT system

Architekturüberblick

M. Bohlouli, J. Dalter, M. Dornhöfer, J. Zenkert, M. Fathi. Knowledge discovery from social media using big data-provided sentiment analysis (SoMABiT), Journal of Information Science, 2015, Vol. 41(6) 779–798

Social Media Analysis using Big Data Technology





The high-level overview of the SoMABiT

Architekturüberblick






The technical configuration of the SoMABiT virtual infrastructure using Cloudera Enterprise

Infrastruktur






Product information collection – Scheme of result interface

Interface









Inhalt




Informationsextraktion aus unstrukturierten Dateninhalten

A 5 Step Process for text mining, © ontotext.com

Adaption von existierenden Text Mining Frameworks und Methoden




Informationsextraktion aus unstrukturierten Dateninhalten

MongoDB - Beispieldokument

Aufbau eines Text-korpus aus verschiedenen Wissensquellen

Einsatz von R Skripten zum Aufbau eines Text-korpus Pakete: u.a. rvest, rmongodb




Extraktionsprozess

J. Zenkert and M. Fathi. Multidimensional Knowledge Representation of Text Analytics Results in Knowledge Bases, 2016 IEEE International Conference on Electro/Information Technology (EIT), North Dakota, USA, 2016

Kombination verschiedener Text Mining Methoden zur dimensionalen Extraktion von relevantem Wissen




Extraktionsprozess Ein Blick auf eingesetzte Verfahren

Akbik, Alan, and Jügen Broß. "Wanderlust: Extracting semantic relations from natural language text using dependency grammar patterns." WWW Workshop. 2009.

Extraktion von semantischen

Relationen

Part of Speech Resultate eines Beispielsatzes




Extraktionsprozess Beispielsszenario





Extraktionsprozess Aktualisierung der Wissensbasis









Inhalt




J. Zenkert, A. Holland and M. Fathi. Discovering Contextual Knowledge with Associated Information in Dimensional Structured Knowledge Bases, 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Budapest, 2016 (in press)

Conceptual overview of the dynamic knowledge map. Different entities (e.g. persons, places) are arranged by distances derived from CIMAWA word association strength.




Vielen Dank für die Aufmerksamkeit

Johannes Zenkert

[email protected]

Universität Siegen

Institut für Wissensbasierte Systeme und Wissensmanagement

Prof. Dr. Alexander Holland

[email protected]

FOM Hochschulstudienzentrum Dortmund

Wirtschaftsinformatik

Extraktion und Visualisierung von multidimensionalen ... · 06.12.2016 Data Science Forum - Essen 6...

Documents

Transcript of Extraktion und Visualisierung von multidimensionalen ... · 06.12.2016 Data Science Forum - Essen 6...